第3章 Pandas資料處理(3.1-3.2)_Python資料科學手冊學習筆記
第2章介紹的NumPy和它的ndarray物件. 為多維陣列提供了高效的儲存和處理方法. Pandas是在NumPy的基礎上建立的新程式庫, 提供DataFrame資料結構. DataFrame帶行標籤(索引),列標籤(變數名),支援相同資料型別和缺失值的多維陣列. 和電子表格很像. NumPy的ndarray提供處理資料常見功能. 但對比如新增標籤,處理缺失值,分組,透視等處理起來較難.
3.1 Pandas安裝
使用Anaconda, Pandas已經安裝好.
檢測Pandas版本號
import pandas as pd
import numpy as np
print(pd.__version__, np.__version__) # 不是vision
0.23.0 1.14.3
3.2 Pandas物件介紹
Pandas三個基礎資料結構 : Series, DataFrame, Index (注意字母大小寫)
3.2.1 Pandas的 Series物件
Series是一個帶索引資料的一維陣列
# 可以用一個數組建立Series物件
data1 = pd.Series([0.25,0.5,0.75,1])
data2 = np.array([0.25,0.5,0.75,1])
data3 = [0.25,0.5,0.75,1]
print("data1的資料型別是:" ,type(data1),'---',data1)
print("data2的資料型別是:",type(data2),'---',data2)
print("data3的資料型別是:",type(data3),'---',data3)
data1的資料型別是: <class 'pandas.core.series.Series'> --- 0 0.25 1 0.50 2 0.75 3 1.00 dtype: float64 data2的資料型別是: <class 'numpy.ndarray'> --- [0.25 0.5 0.75 1. ] data3的資料型別是: <class 'list'> --- [0.25, 0.5, 0.75, 1]
從上面輸出結構看,Series將一組資料和一組索引繫結在一起,可用values屬性和index屬性屬性獲取. (注意字母大小寫和是否為複數格式)
data1.values
array([0.25, 0.5 , 0.75, 1. ])
data1.index
RangeIndex(start=0, stop=4, step=1)
可以通過中括號索引標籤獲取值
data1[2] # 第3個數值
0.75
data1[1:3] # 第2-3個 ,含左不含右
1 0.50
2 0.75
dtype: float64
data[:3] # 前3個
0 0.25
1 0.50
2 0.75
dtype: float64
Series和NumPy的一維陣列基本相同, 本質差別在索引上. NumPy陣列是***隱式定義***的***整數索引***獲取數值, 而Pandas的Series物件用一種***顯示定義***的索引與數值關聯.
顯示索引 : 索引不僅僅是整數, 還可以是***任何想要的型別***.
data = pd.Series([0.25,0.5,0.75,1,'nihao'],index=['a','a','c','d',100])
data
a 0.25
a 0.5
c 0.75
d 1
100 nihao
dtype: object
Series陣列中索引和數值都可以是不同型別的. 而NumPy中陣列型別必須是同類型的. Series陣列中索引值可以相同.
Series是特殊的字典 - 可以把Pandas的Series物件看成是一種特殊的Python字典. - NumPy的陣列比Python列表高效. Pandas Series物件在某些操作上比Python的字典高效.
用Python的字典建立一個Series物件. 用字典建立Series物件是, 其索引預設按照順序排列.
rk_dict = {'湖北':23213,
'湖南':213323, # 用冒號 而不是逗號
'廣東':233232,
'江西':8238238,
'山東':992329}
rk = pd.Series(rk_dict)
rk
湖北 23213
湖南 213323
廣東 233232
江西 8238238
山東 992329
dtype: int64
rk['湖北']
23213
和字典不同, Series物件還支援陣列形式的操作. - 首先, Series不是字典 - 字典不能執行陣列形式的操作?
rk['湖北':'廣東']
湖北 23213
湖南 213323
廣東 233232
dtype: int64
建立Series物件的方法: - pd.Series(data, index=index) - index是一個可選引數, data引數支援多種資料型別
data可以是類表(list)或NumPy陣列
pd.Series([2,4,6,8])
0 2
1 4
2 6
3 8
dtype: int64
data可以是一個標量, 建立Series時會重複填充到每個索引上
pd.Series(5,index=[100,200,300])
100 5
200 5
300 5
dtype: int64
data還可以是一個字典, index預設排序方式是字典鍵
pd.Series({2:'a',3:'b',4:'d'})
2 a
3 b
4 d
dtype: object
通過顯示索引進行篩選
pd.Series({2:'a',3:'b',4:'d'},index=[4,2])
4 d
2 a
dtype: object
3.2.2 Pandas的DataFrame物件
可以將Series類比為靈活的索引的一維陣列,那麼DataFrame就可以看作一個就有靈活行***索引***, 又有靈活***列名***的二維陣列.
rk_dict = {'湖北':23213,
'湖南':213323, # 用冒號 而不是逗號
'廣東':233232,
'江西':8238238,
'山東':992329}
rk = pd.Series(rk_dict)
sh_dict = {'湖北':'武漢',
'湖南':'長沙',
'廣東':'廣州',
'江西':'南昌',
'山東':'濟南'}
sh = pd.Series(sh_dict)
print(rk)
print(sh)
湖北 23213
湖南 213323
廣東 233232
江西 8238238
山東 992329
dtype: int64
湖北 武漢
湖南 長沙
廣東 廣州
江西 南昌
山東 濟南
dtype: object
用上面的兩個Series物件定義一個DataFrame
states = pd.DataFrame({'省會':sh,
'人口':rk})
states
省會 | 人口 | |
---|---|---|
湖北 | 武漢 | 23213 |
湖南 | 長沙 | 213323 |
廣東 | 廣州 | 233232 |
江西 | 南昌 | 8238238 |
山東 | 濟南 | 992329 |
和Series一樣,DataFrame也有index屬性可以獲取索引(行標籤)的標籤
states.index
Index(['湖北', '湖南', '廣東', '江西', '山東'], dtype='object')
DataFrame有columns屬性,存放列標籤的Index物件. 注意複數和字母大小寫
states.columns
Index(['省會', '人口'], dtype='object')
DataFrame的特點是列也有索引, 所以資料可以通過行/列索引獲得.
DataFrame是特殊的字典
字典是一個鍵對映一個值, DataFrame是一列對映一個Series的資料. 也就是索引列標籤的話, 返回一列資料
print(states['省會']) # 為什麼結果把行索引也都帶出了呢 ?
# print(states['湖北']) 報錯
湖北 武漢
湖南 長沙
廣東 廣州
江西 南昌
山東 濟南
Name: 省會, dtype: object
建立DataFrame物件
方式1 : 通過單個Series物件建立
pd.DataFrame(rk,columns=['人口'])
# rk是個Series物件,沒有列標籤. DataFrame是有列標籤的, 所以需要指定.
# 人口需要用中括號[],不能用小括號
人口 | |
---|---|
湖北 | 23213 |
湖南 | 213323 |
廣東 | 233232 |
江西 | 8238238 |
山東 | 992329 |
方式2 : 通過字典建立(應該是用字典,列表建立)
data = [{'a': i, 'b': 2*i} for i in range(3)]
print(data)
print(type(data))
# 這是建立了一個list, list裡面有三個字典元素?
data1 = pd.DataFrame(data)
print(data1)
[{'a': 0, 'b': 0}, {'a': 1, 'b': 2}, {'a': 2, 'b': 4}]
<class 'list'>
a b
0 0 0
1 1 2
2 2 4
從上程式碼可以看出, 當用字典建立DataFrame的時候, 原字典的關鍵字變成了DataFrame中的列(columns)
pd.DataFrame([{'a':1,'b':100},{'b':1000,'a':12},{'b':123,'c':"湖北"},{'a':1000}])
a | b | c | |
---|---|---|---|
0 | 1.0 | 100.0 | NaN |
1 | 12.0 | 1000.0 | NaN |
2 | NaN | 123.0 | 湖北 |
3 | 1000.0 | NaN | NaN |
x1 = {'a':1,'b':100,'a':100} # 兩個a, 居然不報錯,但是輸出的結果中a只有一個
x1
{'a': 100, 'b': 100}
方式3 : 通過Series建立
rk_dict = {'湖北':23213,
'湖南':213323, # 用冒號 而不是逗號
'廣東':233232,
'江西':8238238,
'山東':992329} #注意 山東在 sh中沒有
rk = pd.Series(rk_dict)
sh_dict = {'湖北':'武漢',
'湖南':'長沙',
'廣東':'廣州',
'江西':'南昌',
'廣西':'南寧'} #注意廣西在rk中沒有
sh = pd.Series(sh_dict)
pd.DataFrame({'人口':rk,'省會':sh})
人口 | 省會 | |
---|---|---|
山東 | 992329.0 | NaN |
廣東 | 233232.0 | 廣州 |
廣西 | NaN | 南寧 |
江西 | 8238238.0 | 南昌 |
湖北 | 23213.0 | 武漢 |
湖南 | 213323.0 | 長沙 |
方式4 : 通過NumPy二維陣列建立
pd.DataFrame(np.random.rand(3,2),columns=['x1','x2'],index = ['a','b','c'])
x1 | x2 | |
---|---|---|
a | 0.922554 | 0.996392 |
b | 0.878324 | 0.389322 |
c | 0.835772 | 0.593807 |
方式5 : 通過NumPy結構化陣列建立. 在2.9節中介紹
A = np.zeros(3,dtype=[('a','i8'),('b','f8')])
print(A)
print(type(A))
A
[(0, 0.) (0, 0.) (0, 0.)]
<class 'numpy.ndarray'>
array([(0, 0.), (0, 0.), (0, 0.)], dtype=[('a', '<i8'), ('b', '<f8')])
pd.DataFrame(A) # 無縫連線?
a | b | |
---|---|---|
0 | 0 | 0.0 |
1 | 0 | 0.0 |
2 | 0 | 0.0 |
3.2.2 Pandas的Index物件
Index可以看作是一個不可變陣列或有序集合
ind = pd.Index([2,3,4,7,11])
ind
Int64Index([2, 3, 4, 7, 11], dtype='int64')
將Index看作是不可變陣列
ind[1]
3
ind[::2]
Int64Index([2, 4, 11], dtype='int64')
ind[1] = 0 # 值不可修改?
---------------------------------------------------------------------------
TypeError Traceback (most recent call last)
<ipython-input-77-906a9fa1424c> in <module>()
----> 1 ind[1] = 0
D:\Anaconda3\lib\site-packages\pandas\core\indexes\base.py in __setitem__(self, key, value)
2048
2049 def __setitem__(self, key, value):
-> 2050 raise TypeError("Index does not support mutable operations")
2051
2052 def __getitem__(self, key):
TypeError: Index does not support mutable operations
Index物件遵循Python標準庫集合(set)資料結構的許多習慣用法,包括並集,交集,差集等.
inda = pd.Index([1,3,5,7,9])
indb = pd.Index([2,4,5,9,10])
print(inda & indb) # 交集
print(inda | indb) #並集
print(inda ^ indb) # 異或
Int64Index([5, 9], dtype='int64')
Int64Index([1, 2, 3, 4, 5, 7, 9, 10], dtype='int64')
Int64Index([1, 2, 3, 4, 7, 10], dtype='int64')